pertemuan-2 - WordPress.com

RESEARCH FIELDS
BIDANG PENELITIAN
BIDANG PENAMBANGAN DATA
DATA MINING FIELD
Tugas Data Mining
• Enam Tugas (task) Data Mining:
– Deskripsi
– Estimasi
– Prediksi
– Regresi
– Klasifikasi
– Pengelompokan (Clustering)
– Asosiasi
Deskripsi
• Tugas ini menuntut DM untuk mampu
mengungkapkan pola atau kecenderungan
pada data
• Dengan kemampuannya menjalankan tugas
deskripsi maka DM mampu menunjukkan
field-field mana yang perlu/tidak perlu
dipertimbangkan
Estimasi dan Prediksi
• Estimasi memiliki persamaan maupun perbedaan
dengan Prediksi
• Persamaan antara keduanya adalah dalam hal
memperkirakan sesuatu hal
• Bila yang diperkirakan berbentuk numerik, misalnya
berat badan seseorang, jumlah hutang seseorang, luas
sebuah lahan, maka hal ini disebut Estimasi
• Bila yang diperkirakan berbentuk kategorial, misalnya
pangkat seseorang, status perkawinan seseorang, asalusul kota kelahiran seseorang, maka hal ini disebut
Prediksi
Klasifikasi
– Pada hakekatnya klasifikasi adalah juga hal
memperkirakan
– Lalu, apa bedanya dengan Prediksi?
– Pada prediksi variabel peramal (variabel
independen)nya seluruhnya bersifat numerik
– Pada klasifikasi variabel peramal (variabel
independen)nya dapat berupa kombinasi numerik
dan kategori
Pengelompokan(clustering)
Pengelompokan (clustering) merupakan tugas
deskripsi yang banyak digunakan dalam
mengidentifikasi sebuah himpunan terbatas
pada
kategori
atau
cluster
untuk
mendeskripsikan data yang ditelaah.
Asosiasi
– Asosiasi didasarkan pada Affinity Analysis, yaitu
studi terhadap karakteristik atau atribut yang
sering muncul bersama-sama
– Aff Affinity Analysis sering juga disebut Market
Basket Analysis, yang digunakan untuk
mengungkap asosiasi antara beberapa atribut
(yang masih tersembunyi)
– Analisis ini akan menghasilkan aturan (Rules) yang
diharapkan dapat mengungkap relasi antara dua
atau lebih atribut
BIDANG PENELITIAN
PENGOLAHAN CITRA
IMAGE PROCESSING FIELD
Operasi Pengolahan Citra
1.
2.
3.
4.
5.
6.
Perbaikan kualitas citra (image enhancement)
Pemugaran citra (image restoration)
Pemampatan citra (image compression)
Segmentasi citra (image segmentation)
Pengorakan citra (image analysis)
Rekonstruksi citra (image reconstruction)
1. Perbaikan Kualitas Citra
Bertujuan untuk memperbaiki kualitas citra dengan cara
memanipulasi parameter-parameter
Contoh operasi perbaikan citra :
1. Perbaikan kontras gelap/terang (contrast stretching)
2. Pengubahan kecerahan gambar (image brightness)
3. Perbaikan tepian objek (edge enhancement)
4. Penajaman (sharpening)
5. Pemberian warna semu (pseudocoloring)
– Intensity slicing and color coding, Gray level to color
transformations, Filtering approach
6. Pelembutan Citra (Image Smoothing)
7. Koreksi geometrik
2. Pemugaran Citra
Bertujuan menghilangkan atau meminimumkan
cacat pada citra.
Contoh :
1. Penghilangan kesamaran (deblurring)
2. Penghilangan derau (noise filtering)
– Menghilangkan noise: average filtering /median
filtering
3. Pemampatan Citra
• Bertujuan agar citra dapat direpresentasikan
dalam bentuk yang lebih kompak sehingga
memerlukan memori yang lebih sedikit.
• Huffman
coding,
Run-Length
encoding,
Quatization, Fractal
• Wavelet discrete, transformasi continuous
discrete
4. Segmentasi Citra
• Bertujuan untuk memecah suatu citra ke dalam
beberapa segmen dengan suatu kriteria
tertentu.
• Segmentasi berkaitan dengan pengenalan pola.
• Algoritma boundary following
5. Pengorakan Citra
Bertujuan mengekstraksi ciri-ciri tertentu yang membantu
dalam identifikasi objek.
Contoh :
1. Pendeteksian tepi objek (edge detection)
–
Robert, Prewitt, Canny, Sobel
2. Ekstraksi batas (boundary)
–
chain code, transformasi Hough
3. Penipisan pola (Thinning)
–
–
–
–
–
–
Stentiford thinning Algorithm
Zhang Suen thinning Algorithm
Hilditch thinning Algorithm
Rosenfeld thinning Algorithm
Simple Edge Detection thinning Algorithm
Canny Edge
4. Representasi daerah (region)
6. Rekonstruksi Citra
Bertujuan untuk membentuk ulang objek dari
beberapa citra hasil proyeksi.
Operasi rekonstruksi citra banyak digunakan
dalam bidang medis, misalnya foto rontgen
dengan sinar x digunakan untuk membentuk ulang
gambar organ tubuh.
CONTOH PENELITIAN
Contoh penelitian informatika dengan
teknik soft computing
• Identifikasi retina menggunakan neural
network (pengolahan citra)
• Optimasi pengepakan pallet dalam kontainer
menggunakan algoritma genetika (optimasi
dan pencarian)
• Implementasi fuzzy logic untuk peramalan
pemakaian beban listrik (data mining)
• Implementasi bayesian belief network untuk
sistem keamanan jaringan (jaringan)
DATA
Tugas
A.
Carilah jurnal informatika yang menggunakan metode komputasi
(computing method), boleh hard computing atau soft computing
atau keduanya lalu tentukan:
1.
2.
3.
4.
5.
6.
7.
8.
Bidang penelitian (data mining/pengolahan citra/ optimasi/
jaringan/game/dll). Jika menghasilkan aplikasi sebutkan basisnya
(web/android/desktop atau lainnya)
Permasalahan
Metode pengembangan sistemnya
(waterfall/rapid/spiral/agile/prototype, atau lainnya)
Data yang digunakan
Metode/algoritma yang digunakan
Metode pengujian yang digunakan
Software yang digunakan baik untuk modeling ataupun pengujian
(ms-excel/spss/matlab/weka/rapidmine/atau lainnya)
Kesimpulan
B. Berikan contoh data sekunder untuk penelitian